npm - @clickzetta/cz-cli-darwin-x64 - Versions diffs - 0.3.76 → 0.3.80 - Mend

@clickzetta/cz-cli-darwin-x64 0.3.76 → 0.3.80

This diff represents the content of publicly available package versions that have been released to one of the supported registries. The information contained in this diff is provided for informational purposes only and reflects changes between package versions as they appear in their respective public registries.

Files changed (1236) hide show

package/bin/skills/lakehouse-doc/references/comprehensive_guide_to_ingesting_kafka_realtime_sync.md DELETED Viewed

@@ -1,71 +0,0 @@
-# 将数据导入云器 Lakehouse 的完整指南
-## 数据入仓：使用Lakehouse Studio实时同步导入Kafka数据
-#### 概述
-#### 使用场景
-已有 Kafka 数据源，对数据同步的实时性要求高，期望能实时同步到 Lakehouse 的表中，实现端到端秒级延迟。
-#### 实现步骤
-导航到 开发 -> 任务，点击“+”，选择“实时同步”，新建一个“实时同步”作业。
-:-: ![](.topwrite/assets/image_1736319394961.png =740)
-主要配置如下：
-:-: ![](.topwrite/assets/image_1736319702232.png =740)
-^
-在左侧选择源端 Kafka 数据源时，请配置正确的 `mode`、`groupId` 和 `codec`。其中请特别注意，`groupId` 尽量不要在多个实时同步任务中复用，以避免相互干扰、同时消费数据导致目标数据丢失或不完整的情况。
-^
-然后在右侧选择Lakehouse目标端，选择已有的数据表，或者新建数据表（推荐使用）：target\_table\_from\_kafka。
-在“新建数据表”SQL代码里，将表名改为“target\_table\_from\_kafka”。
-:-: ![](.topwrite/assets/image_1736321482644.png =740)
-^
-在“字段映射配置”区域，系统会默认使用 Kafka Topic 的内置字段进行数据字段映射。如果 Topic 内的消息格式为 JSON，您还可以通过新增计算列的方式，使用 JSONPath 规则解析 `value` 字段中的内容。例如，通过下图所示的 `[__value__].[accountId]` 来提取源端 Topic 中 `__value__` 字段内的 `accountId`，并写入到目标端的 `__value__` 字段中。
-:-: ![](.topwrite/assets/image_1736322127793.png =740)
-^
-在“同步规则配置”中，设定同步的最大并发数。增大并发数可以提升数据消费速度。
-^
-检查字段映射符合预期后，在配置中设定“集群”等必填信息，点击“确定”，然后点击“保存”以保存任务配置。
-:-: ![](.topwrite/assets/image_1736322224165.png =740)
-实时同步任务当前不支持直接运行测试，需要提交发布后，检查运行结果是否正常。
-:-: ![](.topwrite/assets/image_1736322037109.png =740)
-#### 下一步建议
-* 在运维中心启动实时同步任务，观察任务运行指标并验证数据同步结果是否正常。
-  :-: ![](.topwrite/assets/image_1736322337162.png =740)
-* 第一次启动时选择“无状态启动”的方式即可。
-  :-: ![](.topwrite/assets/image_1736322414065.png =740)
-* 正常启动后，可以看到以下监控指标，表示同步任务运行正常。
-  :-: ![](.topwrite/assets/image_1736322603085.png =740)
-* 抽查目标表中的数据，与源端数据进行校验核对，确认是否符合预期。
-#### 资料
-[实时同步任务](realtime_sync.md)

package/bin/skills/lakehouse-doc/references/comprehensive_guide_to_ingesting_local_file_into_table_by_studio.md DELETED Viewed

@@ -1,64 +0,0 @@
-# 将数据导入云器Lakehouse的完整指南
-## 数据入仓：通过云器Lakehouse Studio 加载本地文件
-#### 概述
-您将使用[云器Lakehouse Studio](https://accounts.clickzetta.com/)来基于WEB界面操作、以无代码的方式来加载本地数据到云器Lakehouse的表中。
-#### 使用场景
-适合较小（不大于2GB）的本地文件（CSV、TXT、Parquet、AVRO、ORC）直接上传到云器Lakehouse的表中，无需编程实现，实现方式最简单。
-#### 实现步骤
-##### 上传文件
-导航到数据->数据目录，单击“上传数据”，导入本地文件（测试数据生成章节生成的CSV文件）到表中。
-:-: ![](.topwrite/assets/image_1736146842294.png =519)
-##### 导入数据
-点击“上传数据”：
-* 测试数据生成章节生成的测试数据
-* 云器Lakehouse设置章节创建的Schema
-* 选择新建表，表名为：lift\_tuckets\_import\_by\_studio\_web
-* 云器Lakehouse设置章节创建的虚拟计算集群
-:-: ![](.topwrite/assets/image_1736146857816.png =513)
-点击“下一步”后，检查上传数据自动设置项是否正确，如果数据预览符合预期，则自动设置正确，点击“确认”即可完成数据上传。
-:-: ![](.topwrite/assets/image_1736146867287.png =516)
-##### 结果校验
-进入“数据”查看导入状态和数据：
-可以看到导入数据的结果里，写入行数为“100,000”，这个在“测试数据生成”步骤生成的数量一致。
-:-: ![](.topwrite/assets/image_1736146881028.png =523)
-可以进一步“预览数据”，确认数据加载成功：
-:-: ![](.topwrite/assets/image_1736146888569.png =518)
-至此，我们通过云器Lakehouse Studio 加载本地文件到表中。
-:-: ![](.topwrite/assets/image_1736146899159.png =515)
-#### 下一步建议
-* 继续加载数据到同一张表中或者其它表中。通过在上个页面的“上传”，可以上传更多数据到同一张表中。
-* 通过云器Lakehouse自带的DataGPT进行可视化数据探索、以问答方式进行数据分析。
-* 在云器Lakehouse Studio的IDE里开发SQL任务，进一步清洗和转换数据，分析数据。
-#### 资料
-[数据源](DataSourceConfigGuide.md)
-[数据同步](data-integration.md)
-^

package/bin/skills/lakehouse-doc/references/comprehensive_guide_to_ingesting_overview.md DELETED Viewed

@@ -1,66 +0,0 @@
-# 将数据导入云器Lakehouse的完整指南
-## 概述
-将数据导入云器Lakehouse的方法有很多种。不同的场景、要求、团队技能和技术栈选择都可能会做出不同的数据采集决策。本快速入门将指导您完成使用不同方法加载相同数据的示例：
-### 数据入仓
-* 通过云器Lakehouse Studio 加载本地文件
-* 通过云器Lakehouse Studio 批量加载（公网连接）
-* 通过云器Lakehouse Studio 批量加载（私网连接）
-* 通过云器Lakehouse Studio 实时多表加载（CDC）
-* 使用 Zettapark SQL 导入数据
-* 使用 Zettapark从Dataframe导入数据
-* 来自 Kafka – 采用 Zettapipe
-* 来自 Kafka – 外部表方式
-* 来自数据湖（对象存储）- SQL Volume方式
-* 来自数据湖（对象存储）- SQL Copy Into方式
-* 来自External Catalog(Hive) - SQL方式
-* 从 Java SDK - 使用云器实时写入服务
-### 数据入湖
-* 通过数据库客户端DBV/SQLWorkbench PUT文件的方式
-* 通过ZettaPark PUT文件的方式
-在本指南结束时，您应该熟悉多种加载数据的方法，并能够根据您的目标和需求选择正确的模式。完成初始项目设置后，每种提取方法都可以单独进行，并且彼此不依赖。
-### 先决条件
-* 云器Lakehouse帐户具有创建用户、角色、工作空间、Schema、动态表、虚拟计算集群、数据同步与调度任务等的能力
-* 熟悉 Python、Kafka 和/或 Java
-* Docker 基础知识
-* 能够在本地运行 Docker 或访问环境来运行 Kafka 和 Kafka Connectors
-### 您将学到什么
-* 如何以及何时使用云器Lakehouse Studio的离线同步数据
-* 如何以及何时使用云器Lakehouse Studio的多表实时同步数据
-* 如何从数据湖导入数据
-* 如何以及何时从文件导入数据
-* 如何从 Kafka 加载数据
-* 如何从流中加载数据
-### 需要什么
-* [云器Lakehouse](https://www.yunqi.tech/)账户
-* 本指南的[Github代码库](https://github.com/yunqiqiliang/clickzetta_quickstart/tree/main/a_comprehensive_guide_to_ingesting_data_into_clickzetta)
-### Mac 要求
-* [Docker](https://docs.docker.com/desktop/install/mac-install/)安装
-* [Conda](https://docs.conda.io/projects/conda/en/latest/user-guide/install/macos.html)安装
-### Linux 要求
-* [Docker](https://docs.docker.com/engine/install/ubuntu/)安装
-* [Conda](https://docs.conda.io/projects/conda/en/stable/user-guide/install/linux.html)安装
-### Windows 要求
-* 适用于Windows的 [WSL with Ubuntu](https://learn.microsoft.com/en-us/windows/wsl/install)
-* 在 Ubuntu 中安装 [Docker](https://docs.docker.com/engine/install/ubuntu/)
-* 在 Ubuntu 中安装 [Conda](https://docs.conda.io/projects/conda/en/stable/user-guide/install/linux.html)
-^

package/bin/skills/lakehouse-doc/references/comprehensive_guide_to_ingesting_pipe_kafka.md DELETED Viewed

@@ -1,7 +0,0 @@
-# 将数据导入云器Lakehouse的完整指南
-## 数据入仓：使用Pipe持续导入Kafka数据
-#### 参考资料
-[使用Pipe持续导入Kafka数据](pipe-kafka.md)

package/bin/skills/lakehouse-doc/references/comprehensive_guide_to_ingesting_pipe_oss.md DELETED Viewed

@@ -1,7 +0,0 @@
-# 将数据导入云器 Lakehouse 的完整指南
-## 数据入仓：使用 Pipe 持续导入对象存储数据
-### 参考资料
-[使用Pipe持续导入对象存储数据](pipe-storage-object.md)

package/bin/skills/lakehouse-doc/references/comprehensive_guide_to_ingesting_studio_batchload_public_network.md DELETED Viewed

@@ -1,52 +0,0 @@
-# 将数据导入云器Lakehouse的完整指南
-## 数据入仓：通过云器Lakehouse Studio 批量加载（公网连接）
-#### 概述
-#### 使用场景
-已有数据源（包括数据库、数据仓库）具备公网可访问的地址（比如做了公网NAT映射），单表数据量大，且要求同步成本低，对数据新鲜度要求低（往往是小时级别甚至天级别）的情况下，将数据从数据源的表同步到Lakehouse的表中。
-#### 实现步骤
-导航到开发->任务，点击“+”，选择“离线同步”，新建一个“离线同步”作业。
-:-: ![](.topwrite/assets/image_1736147655855.png =464)
-其它参数配置如下：
-:-: ![](.topwrite/assets/image_1736147664609.png =470)
-然后选择新建数据表：lift_tickets_data_from_pg_batch。
-在"新建数据表"SQL代码里，将表名改为"lift_tickets_data_from_pg_batch"。
-:-: ![](.topwrite/assets/image_1736147671728.png =455)
-检查字段映射是否符合预期，然后测试运行同步任务：
-:-: ![](.topwrite/assets/image_1736147681157.png =459)
-检查测试结果：
-查看测试任务的日志，检查numWrite的数量和源表的数据行数一致。
-:-: ![](.topwrite/assets/image_1736147689681.png =469)
-#### 下一步建议
-* 配置where条件，设置每次运行需要同步的数据，而不是全量。一般是基于时间字段的过滤。
-* 配置调度参数并提交、运维，周期性同步数据。
-  * 如果是适合数据量小的维表数据，则无需设置where条件，将数据写入模式设置为"覆盖写入"，每次都进行全量覆盖。
-  * 如果是数据量大的事实表数据，需要设置where条件，将数据写入模式设置为“追加写入”，每次都进行增量追加写入，以降低每次的同步数据量和同步成本。避免每次都全量同步带来的高成本。
-* 离线同步任务作为数据ELT的数据抽取（E）和加载（L）的开始，可以进一步通过SQL任务对加载进数仓的数据进行清洗和转化（T）。
-#### 资料
-[数据管理](data.md)
-^

package/bin/skills/lakehouse-doc/references/comprehensive_guide_to_ingesting_studio_python_node.md DELETED Viewed

@@ -1,111 +0,0 @@
-# 将数据导入云器Lakehouse的完整指南
-## 数据入湖：通过云器Lakehouse Studio内置的Python节点从web加载文件入湖
-#### 概述
-云器Lakehouse Studio内置了Python节点，可以开发和运行Python代码。
-#### 使用场景
-适合在数据入湖时需要调用第三方Python代码库对文件进行处理，比如本示例中调用了阿里云对象存储OSS的Python代码库。
-#### 实现步骤
-##### 新建Python任务
-导航到开发->任务，单击“+”，新建一个Python任务。
-任务名：05\_通过Studio内置的Python节点从web加载文件入湖。
-:-: ![](.topwrite/assets/image_1736148972084.png =427)
-##### 开发Python任务代码
-将[如下代码](https://github.com/yunqiqiliang/clickzetta_quickstart/blob/main/a_comprehensive_guide_to_ingesting_data_into_clickzetta/py_data_to_datalake_from_web_by_python_node.py)粘贴到新建Python任务的代码编辑器里：
-```Python
-import os,io
-import subprocess
-from datetime import datetime, timedelta
-import oss2
-# 阿里云OSS配置
-ACCESS_KEY_ID = '${ak}'
-ACCESS_KEY_SECRET = '${sk}'
-BUCKET_NAME = '你的bucketname'
-ENDPOINT = 'oss-cn-hangzhou-internal.aliyuncs.com'
-ROOT_PATH = f'{BUCKET_NAME}/ingest_demo/from_web'
-try:
-    # 构建wget命令
-    url = f"https://github.com/yunqiqiliang/clickzetta_quickstart/blob/main/a_comprehensive_guide_to_ingesting_data_into_clickzetta/data/lift_tickets_data.csv.gz"
-    cmd = ["wget", "-qO-", url]
-    print(f"wget cmd: {cmd}")
-    # 执行wget命令并捕获输出
-    wget_output = subprocess.check_output(cmd)
-    print(f"Wget file done...")
-    # 将输出转换为内存中的文件对象
-    file_obj = io.BytesIO(wget_output)
-except Exception as e:
-    print(f"An error occurred: {e}")
-    file_obj = None
-    raise
-if file_obj:
-    try:
-        # 初始化阿里云OSS
-        auth = oss2.Auth(ACCESS_KEY_ID, ACCESS_KEY_SECRET)
-        bucket = oss2.Bucket(auth, ENDPOINT, BUCKET_NAME)
-        # 上传文件到OSS
-        oss_path = f"{ROOT_PATH}/lift_tickets_data.csv.gz"
-        print(f"osspath: {oss_path}")
-        bucket.put_object(oss_path, file_obj)
-        print(f"Put file to oss done...")
-    except Exception as e:
-        print(f"An error occurred: {e}")
-    finally:
-        # 关闭内存中的文件对象
-        file_obj.close()
-```
-##### 给任务配置参数
-其中有两个参数：
-ACCESS\_KEY\_ID = '${ak}'ACCESS\_KEY\_SECRET = '${sk}'
-通过点击“调度”为参数填上默认值：
-:-: ![](.topwrite/assets/image_1736148983636.png =435)
-点击“加载代码中的参数”，并为参数填写对应的值：
-:-: ![](.topwrite/assets/image_1736148989712.png =431)
-##### 运行测试
-点击“运行”，执行Python代码。
-:-: ![](.topwrite/assets/image_1736148997078.png =427)
-##### 检查上传结果
-登录阿里云对象存储，查看上传的文件。
-:-: ![](.topwrite/assets/image_1736149004171.png =415)
-#### 下一步建议
-* 调度Python任务，实现周期性数据入湖。
-* 对加载到数据湖里的文件通过SQL进行数据湖分析。
-* 与其他任务形成完整的ELT工作流。
-#### 资料
-[Studio Python任务节点](Python_Task.md)
-^

package/bin/skills/lakehouse-doc/references/comprehensive_guide_to_ingesting_studio_realtime_cdc_public_network.md DELETED Viewed

@@ -1,249 +0,0 @@
-# 将数据导入云器 Lakehouse 的完整指南
-## 数据入仓：通过云器 Lakehouse Studio 多表实时同步（CDC，公网连接）
-#### 概述
-#### 使用场景
-已有数据源（包括数据库、数据仓库）具备公网可访问的地址（比如做了公网 NAT 映射），需要多表同时同步，对数据新鲜度要求高（往往是分钟级别甚至秒级别），并且能够接受较高的同步成本的情况下，将数据从数据源的表同步到 Lakehouse 的表中。
-云器 Lakehouse Studio 多表实时同步支持多表合并，可以将结构相似的多个源表的数据合并到一张云器 Lakehouse 目标表中。
-#### 实现步骤
-##### 新建多表实时同步任务
-导航到 开发 -> 任务，点击“+”，选择“多表实时同步”，新建一个多表实时同步任务。
-:-: ![](.topwrite/assets/image_1736147975347.png =494)
-任务名：06\_multi\_table\_rt\_sync\_from\_pg
-##### 来源数据选择“PostgreSQL”
-:-: ![](.topwrite/assets/image_1736147983573.png =502)
-##### 选择同步对象
-云器 Lakehouse Studio 会自动同步源库结构供选择：
-:-: ![](.topwrite/assets/image_1736147992225.png =467)
-##### 数据库CDC配置
-创建一个 Slot
-:-: ![](.topwrite/assets/image_1736148001087.png =459)
-插件类型：pgoutput
-Slot名：slot\_for\_multi\_table\_ingest\_demo
-##### 目标配置
-规则表达式：multitable_sync_{SOURCE_TABLE}。给目标表加上前缀 multitable_sync_{SOURCE_TABLE}，以区分和其它方式同步进来的表。
-查看字段映射，确保所有字段都映射成功：
-:-: ![](.topwrite/assets/image_1736148015509.png =445)
-##### 配置同步规则
-:-: ![](.topwrite/assets/image_1736148027202.png =443)
-##### 提交
-配置完成后，提交多表实时同步任务：
-:-: ![](.topwrite/assets/image_1736148034594.png =427)
-##### 运维
-运维多表实时同步任务：
-:-: ![](.topwrite/assets/image_1736148045501.png =425)
-##### 启动
-启动多表实时同步任务：
-:-: ![](.topwrite/assets/image_1736148052375.png =426)
-第一次启动该多表实时同步任务时，选择“无状态启动”和“全量数据同步”：
-:-: ![](.topwrite/assets/image_1736148058726.png =426)
-启动后即可查看任务运行的详细情况。等待全量同步完成后，系统会自动开始进行增量实时同步。
-##### 进度查看
-全量同步进行中：
-:-: ![](.topwrite/assets/image_1736148083158.png =446)
-全量同步完成。
-开始进行实时同步：
-:-: ![](.topwrite/assets/image_1736148107686.png =430)
-##### 增量实时同步
-往 PG 数据库插入增量数据，进行增量实时同步。在 VS Code 里新建一个文件“[rt\_data\_generate\_insert\_into\_pg.py](https://github.com/yunqiqiliang/clickzetta_quickstart/blob/main/a_comprehensive_guide_to_ingesting_data_into_clickzetta/rt_data_generate_insert_into_pg.py)”，将如下代码复制进去：
-```py
-import os
-import sys
-import rapidjson as json
-import optional_faker as _
-import uuid
-import random
-import time
-import psycopg2
-from faker import Faker
-from datetime import date, datetime, timedelta
-from dotenv import load_dotenv
-load_dotenv()
-fake = Faker('zh_CN')  # 使用中文区域
-resorts = ["大董烤鸭", "京雅堂", "新荣记", "仿膳饭庄", "全聚德",
-           "利群烤鸭店", "鼎泰丰", "海底捞", "江苏会所", "店客店来",
-           "周黑鸭", "夜上海", "香宫", "长安壹号", "翡翠餐厅", "北京饭店",
-           "四川豆花饭庄", "海底捞火锅", "川办餐厅", "南门火锅",
-           "胡同", "翠园", "利苑酒家", "御宝轩", "金鼎轩",
-           "外婆家", "大董", "顺峰海鲜酒家", "小龙坎火锅",
-           "新大陆中餐厅", "京兆尹", "鼎泰丰（台湾）", "滇池来客",
-           "绿波廊", "南美时光"]
-# Load database credentials from environment variables
-DB_NAME = 'postgres'
-DB_USER = 'postgres'
-DB_PASSWORD = 'postgres'
-DB_HOST = 'localhost'
-DB_PORT = '5432'
-def connect_db():
-    conn = psycopg2.connect(
-        dbname=DB_NAME,
-        user=DB_USER,
-        password=DB_PASSWORD,
-        host=DB_HOST,
-        port=DB_PORT
-    )
-    return conn
-def random_date_in_2025():
-    start_date = date(2025, 1, 1)
-    end_date = date(2025, 12, 31)
-    return start_date + timedelta(days=random.randint(0, (end_date - start_date).days))
-def random_datetime_between(start_year, end_year):
-    start_datetime = datetime(start_year, 1, 1)
-    end_datetime = datetime(end_year, 12, 31, 23, 59, 59)
-    random_seconds = random.randint(0, int((end_datetime - start_datetime).total_seconds()))
-    return start_datetime + timedelta(seconds=random_seconds)
-def insert_lift_ticket(cursor, lift_ticket):
-    cursor.execute("""
-        INSERT INTO ingest_demo.lift_tickets_data (txid, rfid, resort, purchase_time, expiration_time, days, name, address_street, address_city, address_state, address_postalcode, phone, email, emergency_contact_name, emergency_contact_phone)
-        VALUES (%s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s)
-    """, (
-        lift_ticket['txid'], lift_ticket['rfid'], lift_ticket['resort'],
-        lift_ticket['purchase_time'], lift_ticket['expiration_time'],
-        lift_ticket['days'], lift_ticket['name'], lift_ticket['address_street'],
-        lift_ticket['address_city'], lift_ticket['address_state'],
-        lift_ticket['address_postalcode'], lift_ticket['phone'],
-        lift_ticket['email'], lift_ticket['emergency_contact_name'],
-        lift_ticket['emergency_contact_phone']
-    ))
-def generate_lift_ticket():
-    global resorts, fake
-    lift_ticket = {
-        'txid': str(uuid.uuid4()),
-        'rfid': hex(random.getrandbits(96)),
-        'resort': fake.random_element(elements=resorts),
-        'purchase_time': random_datetime_between(2021, 2024),
-        'expiration_time': random_date_in_2025(),
-        'days': fake.random_int(min=1, max=7),
-        'name': fake.name(),
-        'address_street': fake.street_address(),
-        'address_city': fake.city(),
-        'address_state': fake.province(),
-        'address_postalcode': fake.postcode(),
-        'phone': fake.phone_number(),
-        'email': fake.email(),
-        'emergency_contact_name': fake.name(),
-        'emergency_contact_phone': fake.phone_number(),
-    }
-    return lift_ticket
-def main(total_count, batch_size, sleep_time):
-    conn = connect_db()
-    cursor = conn.cursor()
-    batch_data = []
-    for _ in range(total_count):
-        lift_ticket = generate_lift_ticket()
-        batch_data.append(lift_ticket)
-        if len(batch_data) >= batch_size:
-            for ticket in batch_data:
-                insert_lift_ticket(cursor, ticket)
-            conn.commit()
-            batch_data = []
-            time.sleep(sleep_time)
-    # Insert any remaining data
-    if batch_data:
-        for ticket in batch_data:
-            insert_lift_ticket(cursor, ticket)
-        conn.commit()
-    cursor.close()
-    conn.close()
-if __name__ == "__main__":
-    if len(sys.argv) < 4:
-        print("请提供总行数, 每批次行数, 每批次休眠秒数。例如：python rt_data_generate_insert_into_pg.py 1000 100 10")
-        sys.exit(1)
-    total_count = int(sys.argv[1])
-    batch_size = int(sys.argv[2])
-    sleep_time = int(sys.argv[3])
-    main(total_count, batch_size, sleep_time)
-```
-在 VS Code 里新建一个“终端”，并运行如下命令激活在“环境设置”步骤创建的 Python 环境。如果已在 cz-ingest-examples 环境里，请跳过。
-```Shell
-conda activate cz-ingest-examples
-```
-然后在同一终端里运行如下命令：
-将 100000 条数据插入到 ingest_demo.lift_tickets_data 表中，每次插入 100 行，每批次休眠 10 秒。
-```Shell
-python rt_data_generate_insert_into_pg.py 100000 100 10
-```
-在云器 Lakehouse Studio 查看实时同步进展：
-:-: ![](.topwrite/assets/image_1736148122833.png =484)
-#### 下一步建议
-在数据源中插入新数据，查看增量同步的结果。
-“停止”该同步任务。运行该任务的虚拟计算集群设置了自动停止，会在作业停止后的设定时间（秒数）内停止运行，从而节省费用，实现按需运行。
-#### 资料
-[实时写入数据](java_reference/realtime-upload.md)
-[多表实时同步](realtime_sync.md)
-[通过云器Lakehouse的多表实时同步和动态表实现变化数据捕获（CDC）及数据处理](czguide-intro-to-cdc-using-clickzetta-rtsync-dynamic-tables.md)